PulseAugur
中
实时 08:37:37
English(EN) Select or Rewrite: Oracle-Guided Fine-Tuning for Generative ASR Post-Editing from N-Best Hypotheses

新的微调方法通过LLM增强ASR后编辑

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为Oracle引导微调的新方法，以使用大型语言模型改进自动语音识别（ASR）后编辑。该技术利用N-best假设来创建精选的训练数据，包括校正、正则化器和硬负例，以教会模型何时选择最佳假设或重写文本。该方法旨在降低词错误率并抑制幻觉，在专有数据集上使用约30亿参数的模型显示出有希望的结果，尽管在公开的Common Voice数据集上的收益不太确定。 AI

影响 这项研究通过改进大型语言模型处理文本校正的方式，有望带来更准确、更可靠的ASR系统。

排序理由 这是一篇详细介绍ASR后编辑新微调方法的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的微调方法通过LLM增强ASR后编辑

本文如何被排名

Signal score
16 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
这是一篇详细介绍ASR后编辑新微调方法的学术论文。
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, model release
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
Breaking (< 6h)
Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Shiran Liu, Gaohui Xu, Sergio Burdisso, Thibault Ba\~neras-Roux, Shashi Kumar, Petr Motlicek ·

    选择或重写：基于N-Best假设的生成式ASR后编辑的Oracle引导微调

    arXiv:2610.15056v1 Announce Type: cross Abstract: Large language models can post-edit ASR by using linguistic context to compare N-best hypotheses and rewrite the transcript when needed, often improving WER without retraining the recognizer. However, prompt-only correction is bri…

相关实体

相关话题